Python怎么爬取喜馬拉雅音頻數據

本篇內容主要講解“Python怎么爬取喜馬拉雅音頻數據”，感興趣的朋友不妨來看看。本文介紹的方法操作簡單快捷，實用性強。下面就讓小編來帶大家學習“Python怎么爬取喜馬拉雅音頻數據”吧!

項目目標

爬取喜馬拉雅音頻數據

受害者地址

https://www.ximalaya.com/

本文知識點：

• 1、系統(tǒng)分析網頁性質

• 2、多層數據解析

• 3、海量音頻數據保存

環(huán)境：

• python 3.6

• pycharm

• requests

• parsel

思路：(爬蟲案例)

• 1.確定數據所在的鏈接地址(url)

• 2.通過代碼發(fā)送url地址的請求

• 3.解析數據(要的, 篩選不要的)

• 4.數據持久化(保存)

案例思路：

• 1. 在靜態(tài)數據中獲取音頻的id值

• 2. 發(fā)送指定id值json數據請求(src)

• 3. 從json數據中解析音頻所對應的URL地址

開始寫代碼

先導入所需的模塊

import requests
import parsel  # 數據解析模塊
import re

1.確定數據所在的鏈接地址(url) 逆向分析 網頁性質(靜態(tài)網頁/動態(tài)網頁)

打開開發(fā)者工具，播放一個音頻，在Madie里面可以找到一個數據包

復制URL，搜索

繼續(xù)搜索，找到請求頭參數

url = 'https://www.ximalaya.com/youshengshu/4256765/p{}/'.format(page)
headers = {
    'user-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/84.0.4147.105 Safari/537.36'}

2.通過代碼發(fā)送url地址的請求

response = requests.get(url=url, headers=headers)
html_data = response.text

3.解析數據(要的, 篩選不要的) 解析音頻的 id值

selector = parsel.Selector(html_data)
lis = selector.xpath('//div[@class="sound-list _is"]/ul/li')

for li in lis:
    try:
        title = li.xpath('.//a/@title').get() + '.m4a'
        href = li.xpath('.//a/@href').get()
        # print(title, href)

        m4a_id = href.split('/')[-1]
        # print(href, m4a_id)

        # 發(fā)送指定id值json數據請求(src)
        json_url = 'https://www.ximalaya.com/revision/play/v1/audio?id={}&ptype=1'.format(m4a_id)
        json_data = requests.get(url=json_url, headers=headers).json()
        # print(json_data)

        # 提取音頻地址
        m4a_url = json_data['data']['src']
        # print(m4a_url)

        # 請求音頻數據
        m4a_data = requests.get(url=m4a_url, headers=headers).content

        new_title = change_title(title)

4.數據持久化(保存)

with open('video\\' + new_title, mode='wb') as f:
    f.write(m4a_data)
    print('保存完成:', title)

最后還要處理文件名非法字符

def change_title(title):
    pattern = re.compile(r"[\/\\\:\*\?\"\<\>\|]")  # '/ \ : * ? " < > |'
    new_title = re.sub(pattern, "_", title)  # 替換為下劃線
    return new_title

完整代碼

import re

import requests
import parsel  # 數據解析模塊


def change_title(title):
    """處理文件名非法字符的方法"""
    pattern = re.compile(r"[\/\\\:\*\?\"\<\>\|]")  # '/ \ : * ? " < > |'
    new_title = re.sub(pattern, "_", title)  # 替換為下劃線
    return new_title


for page in range(13, 33):
    print('---------------正在爬取第{}頁的數據----------------'.format(page))
    # 1.確定數據所在的鏈接地址(url)  逆向分析  網頁性質(靜態(tài)網頁/動態(tài)網頁)
    url = 'https://www.ximalaya.com/youshengshu/4256765/p{}/'.format(page)
    headers = {
        'user-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/84.0.4147.105 Safari/537.36'}

    # 2.通過代碼發(fā)送url地址的請求
    response = requests.get(url=url, headers=headers)
    html_data = response.text
    # print(html_data)

    # 3.解析數據(要的, 篩選不要的)  解析音頻的  id值
    selector = parsel.Selector(html_data)
    lis = selector.xpath('//div[@class="sound-list _is"]/ul/li')

    for li in lis:
        try:
            title = li.xpath('.//a/@title').get() + '.m4a'
            href = li.xpath('.//a/@href').get()
            # print(title, href)

            m4a_id = href.split('/')[-1]
            # print(href, m4a_id)

            # 發(fā)送指定id值json數據請求(src)
            json_url = 'https://www.ximalaya.com/revision/play/v1/audio?id={}&ptype=1'.format(m4a_id)
            json_data = requests.get(url=json_url, headers=headers).json()
            # print(json_data)

            # 提取音頻地址
            m4a_url = json_data['data']['src']
            # print(m4a_url)

            # 請求音頻數據
            m4a_data = requests.get(url=m4a_url, headers=headers).content

            new_title = change_title(title)
            # print(new_title)

            # 4.數據持久化(保存)
            with open('video\\' + new_title, mode='wb') as f:
                f.write(m4a_data)
                print('保存完成:', title)
        except:
            pass

運行代碼，效果如下圖

到此，相信大家對“Python怎么爬取喜馬拉雅音頻數據”有了更深的了解，不妨來實際操作一番吧！這里是億速云網站，更多相關內容可以進入相關頻道進行查詢，關注我們，繼續(xù)學習！